充电负荷（共6篇）
充电负荷 篇1
0 引言
随着世界汽车工业的发展和居民生活水平的提高，我国汽车保有量迅速增长。与此同时，世界性能源短缺和环境污染问题也日益突出。而电动汽车作为新一代交通工具，以其节能、环保的优点，受到各国政府的广泛关注。世界各国纷纷出台政策，把电动汽车的发展放到重要的战略地位，我国也正在大力发展电动汽车产业，并出台了一系列的发展政策[1,2]。
然而随着电动汽车的大规模发展和普及，势必会对配电网产生影响，特别是造成配电网负荷的峰谷差增大、馈电损耗增加、变压器过载、电压跌落等负面影响[3,4,5,6]。同时，大规模电动汽车广泛接入电网，其使用特性在时间和空间上的移动性和随机性，使电动汽车负荷很难进行精确建模。
充电站作为电动汽车和电网进行能量交换的媒介，在运营和调度上，都对电网和电动汽车用户产生很大的影响。充电站的有序运营是实现大规模电动汽车有序充电的基础。而且，充电站内电动汽车有序充电对于提高配电网运行的经济性和降低电动汽车负荷对配电网正常运行的不利影响具有重要的意义。
在电动汽车与电网互动方面，国内外学者已经进行了大量的研究工作。其中，文献[7]在理论上论证了配电网馈电损耗、负载率和负荷方差三者的关系，提出了降低网络损耗的有序充电方案，进一步仿真得出了将负载率和负荷方差作为优化目标的有序充电方法计算速度更快;文献[8]提出了时序最优潮流(Time Coordinated Optimal Power Flow,TCOPF)的方法，通过对PHEV(Plug-in Hybrid EV)的储能单元进行控制以及改变变压器分接头的操作来进行有序控制;文献[9]提出在以换电站作为储能系统的区域独立供电系统中，以经济利益最大化作为目标函数，得到区域独立供电系统的运营方案;文献[10]以负荷峰谷差最小为目标函数，提出利用动态插值的方法进行有序充电控制。文献[11]提出以充电站运营经济最大化为优化目标，以配电变压器容量和用户需求为约束的有序充电方案。
在上述研究中，大部分优化过程是离线的。离线运行是指在每天运营之前提前得到有序充电方案。由于实际的充电站运营情况往往不能和预测情况完全一致，因此离线控制过程一般不够精确，有必要提出一种在线的实时运营方案。
本文旨在提出一种充电站动态有序充电的优化方法，以配电网负荷方差最小为优化目标，以充电站的规模、用户需求等为约束条件，基于粒子群优化算法建立优化模型，降低快速充电站对配电网负荷波动造成的不利影响，在实现电动汽车有序充电控制的同时，有效改善配电网的负荷特性。
1 动态优化策略与数学模型
1.1 动态优化策略
动态优化策略，在本文中是指在规定的时间范围制定有序充电的动态方案。在动态优化过程中，需要将优化总时长分成若干时间段分别进行优化。时间段分割的越短，优化越精确，而精度的提高会极大增加计算量和计算时间。
根据文献[11,12]中对电动汽车运行特性的分析可以看出，电动汽车的充电负荷主要是由其起始充电时刻和充电时长决定的。本文以每辆车的起始充电时刻作为优化的目标变量，每辆车的充电时长由车辆起始充电时电池的荷电状态(State of Charge,SOC)决定。在有序充电模型中，通过分时段优化对目标变量进行求解。
1.2 动态优化的目标函数
本文旨在通过分时段优化来减小充电站负荷接入对配电网的影响，因此将每个时间段的目标函数
确定为使得配电网的负荷率最大，或负荷方差最小[7,13]。根据文献[7]中的分析和建议，本文采用使配电网负荷方差最小的方法。在优化中，常规负荷采用负荷预测的结果，充电负荷采用充电站实时运行的结果。
式中：i表示离散的时间分量，记为第i时刻;n表示总优化时间，在优化初始时设定;LDi表示第i时刻的配电网总负荷，包括常规负荷和充电站负荷;LDaverage表示在时间n内，配电网总负荷的平均值;LDgrid-i表示第i时刻的常规负荷值，是负荷预测的结果，不随优化过程而改变;LDstation-i表示第i时刻的充电站负荷，随优化结果实时变动。其中，充电站负荷忽略照明等日常负荷。
1.3 动态优化的约束条件
本文中主要以充电站规模、电动汽车用户的需求等为约束条件，如下：
(1)要求充电站所在配电网下的总负荷要小于变压器的配电容量。
式中：LDmax表示配电网总负荷峰值;ST表示配电变压器容量。
(2)要求所有的时间参数符合电动汽车的运行规律。Tin-j、Tstart-j、Tc-j、Twait-j和Tout-j分别为第j辆车进入充电站的时刻、起始充电时刻、充电持续时间、在充电站可以等待的时间以及离开充电站的时刻，则显然有
其中，Twait-j为用户设定值。
(3)在充电过程中，需要保证车辆的充电功率在充电机的功率限制之内。
式中：Pch-min、Pch-max分别为充电机功率下限和上限;Pji是第j辆车第i时刻的瞬时功率。
(4)优化过程中SOC符合以下限制。
式中：SOCji表示第j辆车第i时刻的SOC值;SOCmin、SOCmax分别表示设定的SOC下限和上限;在本文中SOC上限为100%，下限为10%。
(5)充电站内电动汽车充电为先恒流后恒压模式[14,15]，如图1为不同起始SOC条件下的电动汽车充电曲线，可以看出5条充电曲线的充电部分几乎完全重合，则可以在模型中认为不同起始SOC下的充电功率曲线是整条曲线中的一部分。充电功率曲线可以由起始SOC决定。
其中，SOCs-j为第j辆车的充电起始SOC值。函数f和g都可以通过图1求解。
2 动态优化控制算法和步骤
2.1 动态循环过程介绍
动态优化的最终优化结果是得到进入充电站的每辆车的起始充电时刻。在本文中以15 min作为一个时段。在每个时段更新车辆数，进入寻优算法，得到最优结果并更新负荷曲线，然后进入下一时段的优化，并对之前的优化结果做出修正，由此得到仿真总时长的运营方案。
2.2 动态优化的控制算法
动态控制算法是利用粒子群算法作为优化的基本算法，在每个动态循环中进行调用，从而完成动态优化过程。
粒子群算法[16,17,18,19,20]是从鸟类生物种群行为特征中得到启发并用于求解优化问题，在粒子群算法中，每个个体称为一个“粒子”，其实每个粒子代表着一个潜在的解。每个粒子对应一个由适应度函数决定的适应度值。粒子不断调整位置，实现个体在解空间中寻优。
在每次迭代中，粒子根据式(10)、式(11)分别更新速度和位置。
式中：i=1,2，…，m,m为粒子规模，本文中取20;d=1,2，…，D,D表示单个粒子的维度;k是迭代次数，本文中k取400,r1和r2为[0,1]之间的随机数，这两个参数是用来保持群体的多样性。c1和c2为学习因子，为常量，本文中取值均为1.494 45。
在每次调用中，粒子群算法的变量为每辆车的起始充电时刻，其维度D即为参与该时段动态优化的车辆数，由每时段仿真的随机过程而定。
2.3 动态优化步骤
1)生成车辆初始参数
每辆车进入充电站后，车辆基本信息通过监控系统输送到充电站控制中心，在本文中采用随机模拟的方法生成。主要包括以下几项：
(1)生成车辆数计数向量：Vnum
Vnum代表每时段进入充电站的车辆数，根据运营经验，采用正态分布来生成。n为仿真总时长，np表示每时段时长，np=15 min。则总时段数Period为
(2)生成车辆等待时间向量：Twait
N表示规定总时间内进入充电站的总车辆数。
用1N的Twait来表示用户在充电站内可等待的时间。
可以看出，第j辆车Tin-j是通过Vnum中车辆的到达时刻来确定，Tstart-j却是由优化算法的结果来确定。Tout-j由Tin-j和Twait-j共同确定。
(3)生成剩余SOC向量：SOC
用1N的SOC向量表示每辆车回到充电站时的剩余SOC量，到站剩余SOC量将会决定车辆的实际充电功率曲线。
2)求负荷曲线
由于负荷值是每15 min采集一次的，所以需要进行三次样条插值，使得曲线精度提高。在本文中，最终得到的负荷曲线时间精度是1 min。
3)更新当前时段可优化的车辆数
每15 min更新一次，读取当前时段进入充电站需要充电的车辆信息，同时读取上一时段需要进行延迟充电的车辆信息。
4)粒子群优化
根据优化算法的约束条件，将电动汽车的初始数据代入粒子群算法中，以配电网总负荷的负荷方差最小为目标函数，确定优化后每辆车的起始充电时刻。
每15 min更新一次，得到每辆车的起始充电时刻，如果最优结果是在当前时段，则立即开始充电，如果优化结果是之后的时段，则需要延迟充电，将保留粒子进入下一次优化过程。
5)负荷叠加，循环优化
如果确定某车辆在当前时段开始充电，则其充电负荷就在常规负荷上进行叠加，更新负荷曲线。
进行下一次循环，从步骤2)开始，然后读取下一时段内车辆的充电需求，连同步骤4)中的保留粒子一起进行优化，再次进入步骤4)、步骤5)。
2.4 动态优化流程图
按照上述2.3节介绍的动态优化算法的主要仿真步骤，图2展现了充电站实际运行时的主要流程。
3 算例分析
假设在配电网内，某一节点为充电站负荷，其他节点为常规负荷。本文设置三个算例，均设置为每15 min进行一次循环，循环次数为40。利用概率分布特性生成随机数在充电站内进行充电站运营模拟，假设每时段进入充电站的车辆数、车辆等待时间、回站SOC均符合正态分布规律。根据动态优化算法进行优化运算，得到每辆车最优的起始充电时刻，从而可以得到充电站的负荷曲线以及配电网的最终负荷曲线。
3.1 参数设置
以下是利用正态分布生成的模拟电动汽车运营数据：
(1)每时段进入充电站的车辆数，三种情况设置略有不同;其中，分为三种情况进行模拟。
Case1:
每时段进入充电站的车辆数为0～3辆，按正态分布模拟。
Case2:
每时段进入充电站的车辆数为3～6辆，按正态分布num(28)4.5;num(28)1.0模拟。
Case3:
每时段进入充电站的车辆数为6～9辆，按正态分布模拟。
(2)每辆车的等待时间按进行模拟。
(3)每辆车进入充电站时的剩余SOC量按进行模拟。
3.2 无序充电和有序充电结果对比
假设经过动态优化得到的负荷曲线为有序充电曲线，而按照进入充电站立即开始充电得到的负荷曲线为无序充电曲线。以下为在不同的案例中，有序充电负荷与无序充电负荷的对比分析。
(1)Case1补偿结果，如图3。
充电站负荷与常规负荷的总量对比如表1所示，在只有常规负荷、有序充电、无序充电三种情况下的负荷特性分析如表2所示。
从图3中可以看出原应出现的充电尖峰被移到了负荷的低谷时段，起到了削峰填谷的作用。从表1和表2的数据看出，由于车辆数较少，充电负荷叠加后没有对负荷峰值造成影响，但通过负荷方差可以看出有序充电优于无序充电，降低670 kW2。
(2)Case2补偿结果，如图4。
充电站负荷与常规负荷的总量对比如表3所示，在只有常规负荷、有序充电、无序充电三种情况下的负荷特性分析如表4所示。
Case2中参与优化的车辆数增多，从表3也可以看出电动汽车负荷的渗透率增大5.55%。从表4的数据也看出优化过后负荷方差降低5 492 k W2，最大负荷降低341.2 kW，负荷率增长7.81%，综合图4和表2说明采用动态优化的有序充电方法，合理分配电动汽车的充电负荷，极大改善了负荷特性。
(3)Case3补偿结果，如图5。
充电站负荷与常规负荷的总量对比如表5所示，在只有常规负荷、有序充电、无序充电三种情况下的负荷特性分析如表6所示。
从图5可以看出在渗透率达14.20%时，电动汽车负荷已经在总负荷中占较大比重，此时无序充电对负荷特性的影响更为严重，动态优化过后，负荷方差降低3 118 kW2，最大负荷降低392.8 k W，负荷率增长7.95%。随着电动汽车负荷渗透率增加，动态优化的有序充电方法的效果就越为明显。
3.3 结果分析
综上算例仿真，可以得出以下分析结果：
1)动态有序充电策略对于改善配电网负荷特性，降低电动汽车充电负荷的不利影响有明显的效果。
2)动态优化算法相对于离线优化算法其最大的优势在于其实时动态的特点，离线优化算法不仅需要常规负荷的日前预测，还需要电动汽车运行状况的日前预测，而动态优化可以对实时运行在15 min内做出快速反应，提高有序充电控制的时效性和准确性。
4 结论
本文结合配电网的负荷特性以及充电站的实际运营状况，充分考虑用户的实际使用需求，以配电网负荷方差最小为优化目标，以充电站的规模、用户需求等为约束条件，基于粒子群优化算法建立了改善配电网负荷特性的动态优化的数学模型。
针对不同渗透率下的动态优化方案对于负荷特性的改善情况，证实了动态优化方案可以移峰填谷，改善配电网的负荷特性，实现配网的经济运行;随着电动汽车渗透率的增加，改善效果更加明显。
在实际运营中，还需要根据车辆类型的不同、充电站的运营收益等考虑更多的实际问题[21,22,23]。后续计划进一步针对实际问题，深入研究不同类型车辆的优化充电策略，例如公交车、私人乘用车以及出租车等。
摘要：充电站的建设与运营是电动汽车发展的基础性工程。以持续时段内配电网负荷方差最小为优化目标,以充电站的规模和用户需求为约束条件,基于粒子群优化算法提出了结合配电网负荷特性的充电站有序充电的动态优化方案。利用概率分布随机模拟的方法模拟用户的运行特征,对不同渗透率下,将动态优化的有序充电和到站即充的无序充电二者在负荷特性上进行对比分析。研究结果表明,通过动态有序充电优化方案可以降低负荷波动,优化配网特性,起到移峰填谷的作用。
关键词：充电站,电动汽车,粒子群算法,动态优化,负荷特性
电动汽车充电负荷计算方法 篇2
在能源短缺、环境污染严重、全球气候变化的背景下[1,2],电动汽车作为一种新型交通工具,在缓解能源危机、促进人类与环境的和谐发展等方面具有传统汽车不可比拟的优势,目前已成为各国政府、汽车制造商、能源企业关注的焦点[3]。电动汽车充电负荷计算作为分析电动汽车对电网影响的基础,对电力系统规划以及运行具有重要意义。
影响电动汽车充电负荷的主要因素包括电动汽车规模、起始荷电状态(state of charge,SOC)、充电功率、充电时间、动力电池容量等。对电动汽车规模以及起始SOC这2个因素,在文献[4,5,6,7]的研究中均是给定的,文献[8]的研究考虑了在不同的情景集下电动汽车的规模和不同驾驶行为的起始SOC。对于电动汽车充电功率,文献[4,6,7]假设充电功率单一,而文献[5,8]考虑了电动汽车有多种可能的充电功率。对于电动汽车充电时间,文献[4]假设电动汽车在固定时间段内随机充电;文献[5]假设电动汽车起始充电时间固定;文献[6,8]基于驾驶行为数据分析了电动汽车充电时间分布;文献[7]研究了在不同电价、电网控制与不控制等多个情景集电动汽车的不同充电时间。文献[4,5,6,7,8]在研究电动汽车充电负荷时都仅考虑单一类型的可插入式混合动力电动汽车,且电动汽车电池容量也是固定的。文献[9]分析了多种类型电动汽车(紧凑型居民汽车、中型居民汽车、中型运动型多功能车(SUV)、大型SUV),在不同电池容量以及不同充电功率下的电动汽车充电负荷。
目前已发表的文献未对不同类型车辆对应的充电时间、充电方式、起始SOC进行划分;在分析充电需求时,假设所有车辆均充满或充至给定容量,未考虑车辆的不同充电需求。
本文对中国电动汽车的发展现状及趋势进行了分析,结合实地调研讨论了未来主要类型电动汽车对应的充电方式和充电时间,提出了电动汽车充电负荷计算模型以及基于蒙特卡洛模拟的电动汽车充电负荷计算方法,并对中国未来电动汽车充电负荷进行了计算分析。
1 中国电动汽车充电模式分析
中国政府出台了一系列电动汽车相关政策以扶持电动汽车的发展。自2009年开展了“十城千辆”计划,推广的车辆主要在城市的公交、出租、公务、市政等领域,目前试点城市已达25个[10]。
通过分析中国电动汽车发展现状,结合国家以及部分省市发布的电动汽车发展规划,总结出中国电动汽车未来发展趋势大体为:2010—2015年,电动汽车主要在公交车、公务车、出租车中示范运营;2016—2020年在公共交通系统、公务车中实现电动汽车规模化运营,私家车较少;2021—2030年电动私家车加速发展,其比例逐年上升。
可见中国电动汽车的主要类型为公交车、出租车、公务车、私家车等。根据中国于2010年4月通过的《电动汽车传导式接口》,充电模式分为慢速充电(充电模式L1),常规充电(充电模式L2),快速充电(充电模式L3),如表1所示。
注: 模式L1和L2为交流充电;模式L3为直流充电。
1.1 公交车充电模式
根据对北京地区公交车运营情况的调研,公交车日均行驶里程为150～200 km。公交车首班发车时间为5:30—6:00,末班发车时间为22:00—23:00。每天上、下班时间(6:30—9:00,16:30—18:30)为公交车运行高峰时段。高峰时段发车间隔较短,一般为3～5 min,所有车辆均需参与运行,其余时段发车间隔较长,为7～8 min。
目前示范运营的电动公交车额定行驶里程约为200 km,考虑到安全等因素,一次充电难以满足一天的运营需求。电动公交车在白天运营过程中需要至少充电1次,且在高峰时段,电动公交车不能充电。由于公交车运营时间、地点相对集中,可以在现有停车场建设充电设施进行集中充电。在白天运营时段内,公交车难以长时间停留,进行快速充电;在夜间停运时段进行常规充电。依据上述分析作出一种合理的假设:电动公交车白天充电的时间为10:00—16:30,夜间充电的时间为23:00—5:30。假设电动公交车每天需要充电2次,每次充电的起始SOC服从正态分布N(0.5,0.12),即起始SOC的期望值为0.5,其分布在[0.2,0.8]范围内的概率超过99.5%。
1.2 出租车充电模式
根据对北京地区出租车运营情况的调研,出租车日均行驶里程为350～500 km。每辆出租车由2名司机轮流驾驶,分大班和小班2种模式。大班出租车司机每24 h倒一次班,小班出租车司机每12 h 倒一次班。目前大班与小班比例约为5∶1。大班司机每天晚上在2:00—5:00休息约2 h,在这段时间内可进行常规充电。午餐时间在11:30—14:30,有1 h左右停止运营,在这段时间内可进行快速充电。小班司机由于需要倒班,运营过程中休息时间较短,只能进行快速充电,能进行快速充电的时间为11:30—14:00和2:00—4:00。以目前在深圳进行电动出租车示范运营的BYD E6为参考,该车额定行驶里程为300 km(实际市区行驶里程要小于额定行驶里程),一次充电难以满足一天的行驶需要。假设电动出租车在一天的运营过程中进行2次充电,起始SOC满足正态分布N(0.3,0.12)。
1.3 公务车充电模式
公务车未执行公务时,即可进行充电,因此在大多数情况下有充足的充电时间,其充电模式多采用慢速或常规充电。目前大部分公务车实行夜间停在指定停车地点的制度,假设充电起始时间大致在机关单位下班后至第2天上班之前,也即18:00—7:00。为了满足第2天工作需要,假设公务车需每天充电,起始SOC满足正态分布N(0.4,0.12)。
1.4 私家车充电模式
私家车主要被用于车主上、下班以及休闲娱乐等,相应的充电地点主要包括单位办公停车场、居民停车场、商场超市停车场等。仍以北京地区私家车出行为例,上班出发高峰时段为7:00—9:00,占私家车总量的66.95%。车辆到达高峰时段为7:30—9:30,占私家车总量的71.95%[11]。
私家车在办公以及居民停车场停放时间较长,能够对其进行常规或者慢速充电,充电时间为到达上班地点之后至下班时间以及下班回家后至次日早晨上班之前,即7:30—17:00和19:00—7:00。在城市商业区,私家车可能的充电地点为商场、超市等专用或公共的停车场。作者在北京海淀区某大型商场和某超市实际调研了近万辆私家车辆的停车行为,其停车时间分布见图1,平均停车时间为79.78 min。
结合中国充电标准,在这类地点将进行常规充电,基于调研数据假设能够进行充电的时长大致为80 min,在工作日和节假日其可能的充电时间分别为19:00—22:00和12:00—22:00。根据文献[12],私家车年均行驶里程为2.5万km,推算出日均行驶里程为68.49 km。假设私家车每天充1次电,起始SOC满足正态分布N(0.6,0.12)。
1.5 充电方式以及充电时序
综上,出租车、公交车日均行驶里程较长,需充电2次以满足其一天的运营需要,公交车、大班出租车夜间停放时间较长,可采用常规充电,而白天采用快速充电。小班出租车停车时间较短,采用快速充电。公务车可在单位停车场进行慢速或者常规充电。当私家车充电地点为办公、居民停车场时,可采用慢速或者常规充电;在商场、超市停车场等休闲娱乐场所时,充电方式为常规充电。总结上述电动汽车充电方式以及充电时间分布,如图2所示。
2 电动汽车负荷模型及其计算方法
2.1 电动汽车充电负荷计算模型
将每一辆电动汽车充电负荷曲线累加,可得到总充电负荷曲线。充电负荷计算的难点在于分析电动汽车起始充电时间和起始SOC的随机性。
充电负荷计算以天为计算单位,时间间隔精确到分钟,全天共1 440 min。第i分钟总充电负荷为所有车辆在此时充电负荷之和,总充电功率可表示为:
式中:Li为第i分钟总充电功率,i=1,2,…, 1 440;N为电动汽车总量;Pn,i为第n辆车在第i分钟的充电功率。
按充电需求将第n辆电动汽车的第j种充电行为定义为SNCn,j或者S
2.2 基于蒙特卡洛模拟的电动汽车充电负荷计算
假设电网不控制电动汽车充电行为,电动汽车接入电网后随即开始充电。采用蒙特卡洛模拟抽取单位车辆起始SOC、起始充电时间的电动汽车充电负荷计算方法,其流程图如图4所示。
系统输入信息包括电动汽车总规模、各种充电行为发生的概率分布、可能的充电时段及起始充电时间的概率分布、充电时长约束、不同类型充电行为对应的起始SOC概率分布。
对单辆车辆充电负荷计算时,首先确定该车的充电行为,若该车有多种可能的充电行为,系统产生一个满足U(0,1)均匀分布的随机数,根据不同充电行为发生的概率分布,确定车辆的充电行为。
本文假设常规、快速充电电流分别为0.2 C和1.25 C,电池从零电量充满分别需要5 h和0.8 h。对第1类充电行为,通过蒙特卡洛模拟抽取起始SOC。假设车辆希望离开时充满电,计算得出充电需求。基于充电方式、充电需求计算充电所需时长。在满足充电所需时长的约束下,缩小起始充电时间抽样范围。按指定概率分布对起始充电时间进行抽样。实际充电时长等于充电所需时间。对第2类充电行为,在给定的起始充电时间范围内,通过蒙特卡洛模拟方法抽取起始充电时间,计算充电限制时长。根据随机抽取的起始SOC和给定的目标SOC,计算满足充电需求所需充电时长。实际充电时间为充电所需时长与充电限制时长中的较小值。
3 中国电动汽车充电负荷预测及分析
3.1 电动汽车发展规模预测
《中国汽车产业发展报告(2008年)》[13]中预测的中国私家车、公共车辆(主要为出租车以及公务车)未来总量,如表2所示。
2009年底全国出租车约为110万辆,等比例计算出中国2020年、2030年公务车、出租车总量分别为891.38万辆、208.62万辆和1 458.62万辆、341.38万辆。以线性回归拟合出租车、公务车增长趋势,得出2015年中国出租车、公务车总量分别为680.69万辆、159.31万辆。按目前北京出租车与公交车比例,预测2015年、2020年、2030年全国公交车分别为66.58万辆、87.18万辆、128.4万辆。以表2预测值为常态预测值,以常态预测值的110%作为高预测值,以常态预测值的90%作为低预测值,预测中国各类车辆总量可能的范围,作为仿真的输入参数,预测结果如表3所示。
假设私家电动车在2020年、2030年占私家车总量的比例分别为10%和30%,其余类型电动汽车在2015年、2020年、2030年占5%,15%和30%时,预测中国电动汽车总充电负荷。
3.2 参数设置与收敛性分析
在计算电动汽车充电负荷时,对大班出租车在白天以及私家车在商场超市充电加入了充电时长的限制,分别为120 min和80 min。假设周末私家电动汽车在零点之前与零点之后起始充电车辆的数量之比为5∶1。私家车在居民停车场、单位停车场、商场超市停车场,充电的比例分别为0.7,0.2和0.1。私家车上班到达时间相对下班回家时间集中且考虑到不同单位上、下班时间有所区别,假设私家车在单位停车场以及居民停车场起始充电时间分布服从N(9,0.52)和N(19.5,1.52)的正态分布,其余第1类充电行为起始充电时间服从均匀分布。第2类充电行为起始充电时间满足直角梯形分布,其概率密度函数为f(t),见附录A图A1。
考虑未来充电技术的发展,假设所有车辆充电方式为常规或快速充电,充电效率为90%[8]。充电功率依照国家标准,出租车日常运营需要容量较大的电池,以BYD E6为参考,其所使用的锂离子电池额定电压为320 V、额定容量200 A·h,其常规、快速充电功率分别为14 kW和90 kW。其余乘用车(私家车、公务车)假设使用的锂离子电池额定电压320 V、额定容量100 A·h,计算得出常规、快速充电功率分别为7 kW和45 kW,假设公交车充电功率为私家车的3倍。
系统参数设置如表4所示。计算周末电动汽车充电负荷曲线时,不考虑公务车、私家车上下班的用车行为。本文采用方差系数β[14]评判蒙特卡洛法模拟的精度,即
式中:βi为第i时刻充电负荷方差系数,i=1, 2,…, 1 440;
以各个时间点中方差系数最大值β=max(βi)作为判据。
3.3 预测结果
设置蒙特卡洛法模拟的次数至少为50 000次,要求方差系数小于0.05%。在汽车总量常态预测情景集下,2015年、2020年、2030年中国电动汽车充电负荷曲线如图5所示。
……最大值;期望值;最小值
2030年汽车总量常态预测情景集下,其余类型电动汽车占该类型车辆总量的比例不变,当电动私家车占私家车总量的10%,30%和50%时,充电负荷期望值曲线如图6所示。
在汽车总量不同规模的情景集下充电负荷峰荷、日均充电电量分别如表5、表6所示。对所有情景经50 000次模拟计算,β均小于0.035%。
3.4 结果分析
1)2010—2015年,在电动汽车示范运营阶段,充电负荷较小且充电时间相对固定。2016—2020年,电动汽车充电负荷增加,出现充电负荷高峰。2021—2030年,随着电动私家车的普及,电动汽车充电负荷快速上升。
2)未来电动汽车将会给电网带来新的负荷增长。充电负荷有一个明显的晚高峰,产生这个高峰的原因是私家车在工作日下班后以及节假日晚间集中充电。由于在节假日私家车回家的时间相对工作日更为分散,因此节假日的充电峰荷有所下降。当电动私家车占私家车总量的10%,30%和50%时,在工作日以及节假日电动汽车充电峰荷分别为72 GW,224 GW,358 GW以及56 GW,168 GW,279 GW。
3)电动汽车充电负荷具有明显的峰谷差,其峰荷时段与全网负荷峰荷时段基本一致。若对电动汽车的充电负荷进行控制,实现有效的削峰填谷,则可减小电源和电网的投资并降低电网的运行成本。
4 结语
电动汽车充电负荷受很多因素的影响,很难在负荷和这些因素之间建立一种确定的数学模型。本文对电动汽车充电负荷的计算方法进行了有益的探索,并对中国电动汽车在2015年、2020年、2030年充电负荷进行了预测,计算方法和预测结果对研究未来中国电动汽车充电负荷对电网的影响具有一定的参考价值。
文中涉及电动汽车电能供给方式的数据均基于北京地区,未来可以在其他地区开展相关调研工作,以更加符合各个地区的实际情况;部分参数如起始SOC等选取具有一定的主观性,可以通过进一步调研各种类型汽车对应的不同驾驶行为并依据驾驶行为划分充电类型,设定对应的起始SOC,使其更加合理。
附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。
摘要：在研究中国电动汽车相关政策、发展趋势的基础上,基于调研结果,分析了不同类型电动汽车不同充电行为对应的充电方式及充电时段。根据不同类型电动汽车不同充电行为的充电功率,提出采用蒙特卡洛模拟抽取起始荷电状态、起始充电时间的电动汽车充电负荷计算方法。该方法将不同车辆的不同充电行为按充电需求进行分类,根据充电方式、起始荷电状态、充电需求、起始充电时间计算充电时间,获得充电负荷曲线。对中国未来电动汽车充电负荷水平进行了计算和分析。分析结果表明:随着中国电动汽车的发展,充电负荷将对电网的运行和规划带来较大的影响;充电负荷具有明显的峰谷差,负荷调控的潜力大。
电动汽车充电站的概率负荷建模 篇3
电动汽车充电站不仅为电动汽车的规模化推广提供重要的能源保障, 还可以提高电力系统运行调度的灵活性, 对于电力系统来说, 充电站可被视为一种充电负荷。由于电动汽车的运行规律具有较强的随机性, 如何建立能够正确反映这种随机性, 同时有效实用的电动汽车充电站概率负荷模型是研究中一个亟待解决的问题。
文献[1]讨论了电动汽车充电负荷的影响因素, 指出了电动汽车充电负荷具有时空随机性的特点。文献[2]采用蒙特卡洛模拟抽取了电池的开始荷电状态 (state of charge, SOC) 与开始充电时间来模拟充电过程的随机性, 得到了充电负荷曲线。文献[1-2]从宏观上全面地研究电动汽车及其电池的充电过程, 但对于电动汽车充电站充电过程的研究有待深入。文献[3]采用排队论模拟电动汽车的充电行为并得到了充电负荷模型。文献[4]研究了电池更换站的运行规律, 采用二阶段充电模型优化充电开始时间与备用电池数量。文献[3-4]分别深入研究了充电型和换电型的电动汽车充电站的充电过程, 但对于这两类充电站充电过程的综合研究仍需进一步开展。以上研究中关于电动汽车充电站的负荷建模方法, 虽然能够在一定程度上反映电动汽车运行规律的随机性, 但对于电动汽车充电站类型的考虑不够全面, 同时所建立的负荷模型的概率分布规律较为简单, 通用性也稍显不足。
建立具有通用性的电动汽车充电站概率负荷模型需要全面细致地研究建模过程中的影响因素, 同时对于影响因素的重要性进行一定的筛选。文献[5-7]综合讨论了电动汽车充电站建模中涉及的影响因素。这些影响因素涉及了电力系统运行、控制、管理的整个过程, 包括电动汽车的能源补给方式、运行规律、电池特性、充电控制方式, 以及充电设施类型和布局等方面。文献[8-9]分别研究了国外和国内的电动汽车充电方式协议, 文献[9]中还讨论了不同类型车辆的运行规律。文献[10]提出了充电功率、日行驶里程数、开始充电时刻为居民区内电动汽车负荷的影响因素。文献[11]从开始充电时刻、开始SOC、结束SOC的角度研究公共场所内电动汽车的负荷模型;文献[12-13]分别讨论了米兰和巴塞罗那电动汽车的充电负荷规律曲线;文献[14]则提出了专门为私家车与公共车辆服务的充电站的充电负荷曲线。以上研究从不同方面对电动汽车充电站建模过程中的影响因素进行讨论, 由此得出结论:只有通过深入研究充电站概率负荷建模过程中相关的关键影响因素, 并根据不同影响因素的概率统计规律, 结合不同类型充电站随机性的特点, 才能建立能够有效地应用于研究充电站充电负荷对于电力系统的填谷效应、经济运行等方面影响的概率负荷模型。
针对上述研究中存在的问题, 本文根据充电方式、地理位置、出行特征的特点将电动汽车充电站分为电池更换站、居民区充电站、公共场所充电站三类典型充电站。采用蒙特卡洛模拟与概率统计分析相结合的方法综合得出了电动汽车充电站的充电负荷曲线, 从而建立了概率负荷模型。最后, 应用所建立的概率负荷模型, 采用粒子群算法进行优化, 得到了满足填谷效应最优的三类典型充电站的优化配置方案, 以验证所建立概率负荷模型的有效性和实用性。
1 电动汽车充电站的分类
电动汽车充电方式可分为电池更换和直接充电, 其中直接充电方式根据充电功率的不同可分为常规充电和快速充电。电动汽车充电站的充电负荷不仅与充电站的充电方式有关, 而且受充电站用户所处地理位置、出行特征影响, 按照充电方式、地理位置、出行习惯将电动汽车充电站分为电池更换站、居民区充电站、公共场所充电站三类典型充电站。
实际应用中电动汽车充电站的类型除了这三类外, 还有集电池更换站与居民区充电站或公共场所充电站于一体的混合充换电站, 其基本特性为电池更换站特性和某一类充电站特性在不同程度上的结合。为了简化分析, 本文仅针对三类单纯的电动汽车充电站形式进行分析, 而对于复合类型的特性, 限于篇幅不再赘述。
1) 电池更换站。该类充电站主要应用于公共汽车、环卫车等公共乘用车, 采用电池更换的方式为电动汽车进行充电, 更换下来电池将在每天电网低谷时段采用常规充电方式进行集中充电。其充电负荷较为稳定, 并且可以通过一定方式进行控制。
2) 居民区充电站。该类充电站位于居民区, 主要为居民提供充电服务, 采用常规充电方式进行充电。其充电负荷受居民日常活动规律的影响一般较为稳定, 居民区的覆盖范围对于充电负荷的大小将产生一定的影响。
3) 公共场所充电站。该类充电站位于中心商业区、办公楼等公共场所, 采用快速充电方式进行充电。其充电负荷由于公共场所多变的人流、车流密度的影响具有极强的随机性, 同时与人们日常的作息习惯也存在一定的联系。
2 电动汽车充电站的概率负荷模型
电动汽车运行规律具有的时空随机性是研究电动汽车充电站概率负荷模型的关键所在, 电动汽车的电池特性、能源补给方式等决定了充电站充电负荷规模。对于三类典型充电站的概率负荷模型建模需根据不同类型充电站的运行规律, 同时结合充电站充电负荷规模综合考虑。文献[15-17]中充电站的负荷模型是基于对电动汽车运行规律中一些影响因素的随机性进行假设, 再计算出相应的充电负荷曲线来实现的。充电负荷曲线能够反映负荷模型随机性的特点, 同时通过一定数量的模拟次数能够反映负荷模型的概率性。本文在上述建模方法的基础上, 深入研究三类典型电动汽车充电站的随机性, 对不同类型充电站影响因素的概率统计规律进行分析, 并进行一定规模的蒙特卡洛模拟, 从而得到三类典型充电站的充电负荷曲线, 建立概率负荷模型。
2.1 电池更换站
电池更换站主要应用于公共乘用车, 这类车辆的运行规律相对比较稳定, 电池充电方式为常规充电。基于文献[9]中对于公共乘用车运行规律的研究结论, 结合电池更换站的电池数量、充电设备充电功率情况等影响因素的概率统计规律综合分析, 对于电池更换站充电负荷的影响因素作出以下假设:①开始充电时刻满足当天的12:00—14:00、当天23:00至次日05:00的均匀分布;②开始SOC满足正态分布;③电池每次充电都充至满电量;④常规充电功率满足正态分布。电池的充电时间长度为:
式中:Cap为电池容量;η为充电效率;p1为常规充电功率期望;SSOC0为电池开始SOC。
电池更换站的充电负荷曲线是通过先将每一块电池的充电负荷求出, 再将每块电池的开始充电时刻与充电时长进行叠加求出一天中每小时的充电负荷, 继而将全天24h的充电负荷分别求出, 之后将多次蒙特卡洛模拟求出的充电负荷求取平均值, 最终得到全天的充电负荷曲线, 从而建立电池更换站的概率负荷模型。电池更换站充电负荷曲线的流程图如图1所示。
全天某1h的充电负荷为:
式中:Lbi为电池更换站第i小时的充电负荷;N为蒙特卡洛模拟的次数;Nm为第i小时进行充电的电池数量;m=1, 2, 其中m=1表示白天充电, m=2表示晚上充电;pbk为第i小时内第k块电池的充电负荷, 为恒定值;fave (·) 为求平均值函数。
本文选取白天充电电池数量N1=40, 晚上充电电池数量N2=100, 蒙特卡洛模拟次数N=1 000, 电池容量Cap=14kW·h, 充电效率η=0.9, 常规充电功率期望p1=3.5kW, 以得出电池更换站的充电负荷曲线。
2.2 居民区充电站
居民区充电站的服务对象为居民区中的居民, 电动汽车充电方式为常规充电。由于居民的活动规律既具有一定的随机性, 也符合一定的规律性, 并且具有多样性和复杂性, 因此居民区充电站的概率负荷建模需要对于居民活动的随机性综合考虑, 突出其中主要的影响因素, 忽略一些次要的影响因素。基于文献[13]的假设, 同时考虑到居民区充电站的特点, 对于居民区充电站充电负荷的影响因素作出以下假设:①充电功率、日行驶里程数、开始充电时刻为相互独立的随机变量;②居民最后一次出行返回后立即进行充电;③考虑到电池容量与充电功率的大小, 每次充电都能够将电池充至满电量;④常规充电功率满足正态分布。
居民开始充电时刻和日行驶里程数由出行习惯和行驶特性决定, 根据2001年美国交通部对全美家用车辆调查的统计结果[18], 假设日行驶里程数满足对数正态分布, 开始充电时刻满足分段正态分布。
日行驶里程数、开始充电时刻的概率密度函数分别如式 (3) 和式 (4) 所示, 经过推导可以得到电动汽车的充电时间长度和相应的概率密度函数分别如式 (5) 和式 (6) 所示:
式中:μd和σd、μs和σs分别为日行驶里程数、开始充电时刻的期望和标准差;w为每100km耗电量。
居民区充电站的充电负荷曲线是通过先计算一天内每1h的充电概率, 再根据充电的电动汽车数量与充电功率的大小, 求出每1h的充电负荷, 之后再求出全天24h的充电负荷, 最后将多次蒙特卡洛模拟的充电负荷求取平均值以得到充电负荷曲线, 从而建立概率负荷模型。居民区充电站充电负荷曲线的流程图如图2所示。
全天某1h的充电负荷与充电概率分别如式 (7) 和式 (8) 所示:
式中:Lri为居民区充电站第i小时的充电负荷;pci为第i小时的充电负荷;Pi为居民区充电站第i小时的充电概率;Pscr为开始充电时刻与充电时间长度在第i小时的联合概率分布, 即Pscr=PsrPcr;tsr为居民区充电站开始充电时刻;tcr为居民区充电站充电时长。
本文选取蒙特卡洛模拟次数N=1 000, 电动汽车数量为500辆, 日行驶里程数、开始充电时刻的概率密度函数的期望和标准差分别为μd=3.2和σd=0.88、μs=17.6和σs=3.4, 每100km耗电量为15kW·h, 以得出居民区充电站的充电负荷曲线。
2.3 公共场所充电站
公共场所充电站主要位于中心商业区, 电动汽车充电方式为快速充电。人流和车流的密度高、变化大, 充电负荷的随机性极强, 其影响因素极为复杂多样。基于文献[12-13]的研究结论, 利用文献[11]的假设, 对于公共场所充电站充电负荷的影响因素作出以下3点假设:①开始充电时刻、开始SOC、结束SOC为相互独立的随机变量;②开始SOC、结束SOC均满足正态分布;③快速充电功率满足正态分布。
电动汽车的充电时间长度、函数分别如式 (9) 和式 (10) 所示:
式中:SSOC1为电池结束SOC;p2为快速充电功率期望;μcp和σcp分别为公共场所充电站充电时间长度的期望和标准差, , 其中μ0和σ0分别为电池开始SOC的期望和标准差, μ1和σ1分别为电池结束SOC的期望和标准差。
基于文献[14]中对于公共场所中电动汽车日常运行规律的分析, 在文献[11]假设电动汽车的开始充电时刻满足三分段的均匀分布的基础上, 为了更加准确地反映公共场所中电动汽车日常运行规律的复杂随机性, 本文选择将开始充电时刻假设为满足六分段的均匀分布, 由此得到第i分段的概率密度为:
式中:ti-1, ti分别为分段的时间段上、下限;ki为比例系数。
公共场所充电站充电负荷曲线的计算方法与居民区充电站的计算方法相似, 流程图与图2相似, 限于篇幅不再赘述。
本文选取蒙特卡洛模拟次数N=1 000;电动汽车数量为300辆;公共场所充电站充电时间长度概率密度函数的期望和标准差分别为μcp=0.32和σcp=84;快速充电功率期望为p2=24kW·h;分段的时段分别为0~7时段、7~11时段、11~16时段、16~19时段、19~22时段、22~24时段, 以得出公共场所充电站的充电负荷曲线。
3 电动汽车充电站概率负荷模型的应用
电动汽车充电站作为充电负荷, 其具有随机性, 但也具有一定的灵活性, 如何合理地配置三类典型充电站的比例, 实现电力系统的填谷效应最优, 对于保证电力系统的安全稳定经济运行具有重要的意义。
某地区的典型负荷曲线和电动汽车充电站的充电负荷曲线均采用标幺化, 基准值分别为pbase和pbase_cs, 定义电动汽车充电站的渗透率rp为:
图3为夏冬两季时标幺化的某地区典型负荷曲线, 可以看出, 夏季时负荷大于冬季时负荷, 同时夏季的最大负荷时刻要晚于冬季。
3.1 填谷效应最优的充电站配置方案
电动汽车充电站作为充电负荷会增大电力系统的负荷, 不同类型充电站的充电负荷曲线具有显著区别, 合理的充电站配置方案能够在系统处于负荷低谷时提高负荷需求, 同时在负荷高峰时减少负荷需求, 实现系统填谷效应的最优。
建立电动汽车充电站配置方案的填谷效应最优模型的目标函数与约束条件分别如式 (13) 和式 (14) 所示。
式中:x1, x2, x3分别为电池更换站、居民区充电站、公共场所充电站的配置比例;Ai, Bi, Ci, Di分别为电池更换站、居民区充电站、公共场所充电站、典型负荷曲线的负荷矩阵中的元素;i=1, 2, …, 24。
粒子群算法具有计算效率高、搜索能力强的特点。本文选择采用粒子群算法计算满足填谷效应最优的充电站配置方案。具体的优化过程如图4所示。
粒子群算法优化的具体步骤如下。
步骤1:根据填谷效应优化问题的规模, 确定粒子群算法的进化代数max g、种群规模s。
步骤2:根据充电站配置比例的约束条件 (式 (14) ) , 确定粒子的位置和速度的最大值pmax和Vmax, 最小值pmin和Vmin;同时随机产生粒子的位置和速度的初始值p和V。
步骤3:根据填谷效应的目标函数 (式 (13) ) , 确定适应度函数, 并计算初始值。
步骤4:根据步骤3中的适应度初始值寻找初始的个体极值和群体极值。
步骤5:按照式 (15) 至式 (17) 对粒子的p和V进行更新。
式中:ω (i) , ωs, ωe分别为第i代的惯性权重、初始权重、末尾权重;Vikd, Xikd, Pikd分别为第i代个体k在d维的速度、位置、个体极值;Pigd为群体位置;i=1, 2, …, max g;k=1, 2, …, s;d=1, 2, 3;c1, c2为加速度因子;r1, r2为0~1间的随机数。
步骤6:根据第i代更新后粒子的速度、位置Vkdi+1和Xkdi+1计算新的适应度的值。
步骤7:根据第i代更新后的适应度值寻找新的个体和群体极值Pkdi+1和Pgdi+1。
步骤8:判断进化代数是否满足计算终止条件, 如满足则转到步骤9, 不满足则转到步骤5。
步骤9:结束粒子群算法优化, 输出优化结果。
3.2 仿真分析
三类典型电动汽车充电站的配置比例不同, 对于充电站填谷效应的影响也不同。算例中粒子群算法的初始参数分别为:max g=5 000, s=1 500, ωs=0.9, ωe=0.4, c1=0.1, c2=0.1。表1为夏冬两季充电站渗透率分别为10%和30%时两种典型配置方案与粒子群优化的配置方案的填谷效应比较。方案1属于以电池更换站为主, 居民区、公共场所充电站为辅的配置方案;方案2属于以居民区、公共场所充电站为主, 电池更换站为辅的配置方案。
不同配置方案的仿真结果如图5所示。鉴于夏冬两季粒子群算法优化的迭代收敛过程相似, 本文仅提供夏季的情况, 夏季粒子群算法优化的迭代过程如图6所示。
通过分析图5和图6可以得到以下结论。
1) 三个方案中粒子群优化方案的填谷效果最优, 方案1次之, 方案2较差。这说明采用粒子群算法优化得到的配置方案, 相比于电池更换站为主或充电站为主的配置方案, 能够有效地实现充电站填谷效应的最优化, 同时也说明发展以换电为主的电动汽车充电站的建设较有利于实现电力系统填谷效应的优化。
2) 夏冬两季的仿真结果表明, 采用粒子群算法优化得到的配置方案的迭代过程能快速收敛, 有效地实现填谷效应的最优化, 说明该优化方法能不受负荷曲线变化的影响实现充电站配置方案的优化。
3) 随着渗透率的提高, 粒子群优化配置方案的填谷效应最优化越来越显著, 说明电动汽车充电站接入电力系统的数量越多, 该优化配置方案的优化效果越为明显。
4 结语
充电负荷 篇4
关键词：电动汽车,用车习惯,电池特性,配电系统,风能
0 引言
随着经济发展与能源供给、环境污染之间的矛盾的日益加剧,节能降耗和减少对化石燃料的依赖已经成为经济可持续发展迫切需要解决的问题。电动汽车(electric vehicle,EV)是全部或部分由电能驱动电机作为动力系统的汽车,它以电代油,能够降低碳排放且噪声低,是解决交通、能源和环境问题的重要手段。与此同时,电动汽车对未来电力系统的可靠与经济运行以及可再生能源的接入也有着重要影响。作为一种灵活的充电负荷及储能装置,电动汽车可以为电力系统提供调频和备用等辅助服务,推动可再生能源的广泛利用。
随着电动汽车普及程度的不断提高,电动汽车接入对配电系统的影响已经成为一个急需研究的课题。作为一种随机充电负荷,电动汽车的负荷特性受用户驾车模式、电池特性以及环境的影响。本文在考虑分布式可再生能源发电随机波动的同时,结合电动汽车充电特性,以丹麦系统为背景,研究了电动汽车在多种充电模式和不同渗透率情况下对居民区域配电系统的影响,并提出了可能的解决方案。
1 丹麦电动汽车应用背景
丹麦政府在2007年发布了新的能源战略,即在未来完全摆脱对传统燃料,如煤、石油和天然气的依赖。为了实现这一目标,可再生能源发电量所占比例在2025年必须提高到至少30%的水平。这意味着风力发电装机容量所占比例将从2008年约20%增加到2025年的50%。在这一过程中,电动汽车的应用和普及被视为是实现政府能源战略的一个重要手段[1,2,3]。丹麦电力系统的特点及政策导向使得电动汽车的应用有天然优势。
1)电力系统的特征
在丹麦,某些时段的风电出力高于总需求。例如,在2007年和2008年西丹麦Jutland在Nordpool市场中有113 h电价为0。从2009年10月起Nordpool引入负电价以更好地解决风电接入问题。由于大量风电的接入,对辅助服务的需求要求更高。
2)政策及社会行为
丹麦燃油汽车的购买税非常高(180%+增值税),而按目前政策,到2012年止对电动汽车仅收增值税。除购买税外,在丹麦汽油价格也比很多国家高出1倍以上。
3)驾车模式
据统计,在丹麦汽车平均每天行驶距离约为40 km,且75%的电动汽车行驶里程小于40 km[4],低于包括美国在内的许多其他国家。现有的电动汽车电池容量基本可以满足要求。
如果所有的公路运输都采用电动汽车,丹麦每年的总用电量将增加10~14 TW·h,而丹麦在2007年的总用电量为34 TW·h。因此,对电动汽车并网方式及其对电力系统尤其是配电系统的影响分析已是迫在眉睫的课题,而研究电动汽车充电负荷模型则是解决这一问题的前提。
2 电动汽车充电需求模型
电动汽车充电负荷模型受并网方式、电池特性、用户用车习惯、市场等方面因素的影响。在丹麦2009年开始的EDISON项目中,有对电动汽车基础设施和并网相关技术挑战的详细阐述[5]。
2.1 充电方式
目前,对于电动汽车充电的讨论主要集中在以下几种方式:
1)分布式即插即充
这种情况主要针对大量低电压(230 V)分布式充电点(主要集中于居民楼和很多办公区的停车场)。在这种模式下电动汽车的充电时间和地点完全由用户自由支配。同时,受基础设施的影响,主要采用普通充电方式,充电电流一般在0.2~0.5 C(0.2 C表示理想状态下1/0.2=5(h)充电充满,其他充电时间同理),电池充电状态(state of charge,SOC)从0提升至100%大概需要5~8 h。
2)集中式充电
集中式充电主要包括电池交换站和快速充电站。快速充电指电池充电电流几倍于正常充电电流的情况,从而可以在很短的时间内将电池SOC提高。例如,以2 C的电流充电,0.5 h时间内可以将电池的SOC从0提升到80%左右。
3)虚拟电厂
虚拟电厂(virtual power plant,VPP)将分散且随机的个体集成起来,通过对个体的控制从而实现真实电厂所具有的功能。引入虚拟电厂概念提供了另一条解决大量电动汽车充电管理的途径。
在电动汽车充电研究中,不同的充电方式对电动汽车负荷模型会有不同的影响。丹麦目前主要采用分布式充电,其他充电方式只是补充。
2.2 电池特性
就目前来看,最有可能在电动汽车上广泛使用的电池是锂电池。锂电池的充电特性主要受充电电流、SOC、健康状态(state of health,SOH)、循环充放电次数的影响。除此之外,环境温度对锂电池的容量也有很大的影响。例如,在-20 ℃的环境下,锂电池的充电效率以及容量与常温时有较大的差别,此时电池容量下降到只有45 ℃时的60%。丹麦地处北欧,地理位置决定了其环境温度在冬夏季节的差异较大(-20~40 ℃),而这也将对电池的特性及使用寿命产生一定的影响。图1显示了环境温度对电池容量的影响,电池在45 ℃左右时达到额定的设计容量,性能最好。
2.3 用户用车习惯及市场影响
用户行为是影响电动汽车功率需求的关键因素,具有随机性。对电动汽车功率需求产生影响的用户行为主要包括充电时间、地点、频率以及日行驶
里程。用户开始充电时间越集中,对系统的充电功率需求就越大;充电地点则显示了用户日常用车行为,一般为住宅、办公楼以及某些停车场。用户的充电频率则与电池容量及日行驶里程有关。电池容量大,用户的充电频率就越低;而日行驶里程越长,充电频率一般就越高。日行驶里程反映了用户当日的耗电量,在同样充电电流下,充电时间和日行驶里程相关。目前,丹麦全国的平均汽车日行驶距离为40 km左右。以Bornholm岛为例,据统计,岛上80%左右居民的日行驶距离少于50 km(含未用车的情况),且其比率随距离增长而快速递减,只有3%左右的用户日行驶距离在80 km以上[6]。
电力市场机制对电动汽车的充电也有重要影响。目前Nordpool市场中电价一般比较平稳,所以对用户而言充电时间对充电成本影响不大。如何利用市场来间接调控电动汽车的充电时间和地点也是一个值得研究的课题。
本文综合考虑了上述几个因素的影响,并结合丹麦电动汽车的一般特点,建立电动汽车的简化充电负荷模型;之后,基于丹麦配电系统中含有大量风电的实际情况,初步探讨居民电动汽车在分布式充电方式下,在不同普及程度、不同市场环境、不同季节情况下对配电系统的影响。
3 考虑电动汽车和风电的节点负荷
3.1 电动汽车充电负荷曲线
3.1.1 电动汽车参数及充电负荷特性
影响电动汽车充电的参数主要包括电池容量、百公里耗电、充电效率以及充电功率等。电动汽车充电负荷特性与日行驶里程和充电开始时刻有关,后者受行驶结束时刻影响。
1)日行驶里程
日行驶里程反映了电动汽车一天内消耗的电能,日行驶里程近似满足对数正态分布[7]:
该分布函数的数学期望为exp(μD+σ2D/2),方差为(exp(σ2D)-1)exp(2μD+σ2D)。
对于每一辆电动汽车,先根据日行驶里程概率密度分布函数式(1)产生日行驶里程,然后根据汽车百公里耗能得到充电能量需求值。
2)行程结束时刻
假设汽车行驶里程满足正态分布,最后一次行程结束时刻满足以下分布[7,8]:
该分布函数为分段正态分布,其标准差均为σs,而数学期望则分别为μs和μs-24。
3.1.2 计算电动汽车充电负荷曲线
用户充电时刻应根据不同的电力市场环境进行假设。本文考虑2种简单情况:①在无经济利益和政策引导的情况下,电动汽车的充电行为通常较随意,一般是在用户下班回家后就开始充电(10:00—24:00之间),其充电开始时刻根据分布函数式(2)随机选取;②考虑利用经济手段调节电动汽车充电时间,如依靠电价进行调节,检验其是否可以起到很好的避峰效果;这里假设电动汽车延时到24:00开始充电,这种方式是考虑用户因经济利益而选择避开用电高峰对电动汽车进行充电。
根据以上假设,可以确定电动汽车充电开始时刻;而根据电动汽车的行驶里程,则可以确定电动汽车充电所需要的电能;最后结合电动汽车充电特性,通过以下过程得到每辆电动汽车的充电负荷曲线:
1)随机选取电动汽车充电接入点。
2)根据电动汽车日行驶里程分布函数式(1)随机产生电动汽车的日行驶里程xD。
3)在所有电动汽车中,假设只有90%的电动汽车会在当天返回家中进行充电。所以通过一个随机数来模拟这一概率。生成一个[0,1]之间的随机数PChr,只有在PChr<0.9时,电动汽车才进行充电。
4)确定电动汽车充电时刻,根据前面的假设和分析,电动汽车充电时刻有2种可能:①根据分布函数式(2)随机产生电动汽车充电开始时刻;②汽车都在24:00开始充电。
5)在确定了电动汽车充电开始时刻和日行驶里程后,结合电动汽车每次充电都充至满电量的假设,生成电动汽车充电功率需求曲线。
3.2 配电系统负荷曲线
这里采用正态分布描述配电系统的其他负荷,其概率密度函数[9]为:
式中:xL,h为h时刻的负荷有功需求;
3.3 风力发电出力曲线
这里假设风速满足WeiBull分布,其概率密度函数fv(v)和分布函数Fv(v)分别为:
式中:v为风速;k为形状系数;c为尺度参数。
v与风力发电机有功出力PW的关系可用下式描述:
式中:v为风机轮毂高度处的风速;vci为切入风速;vco为切出风速;vR为额定风速;PR为风力发电机的额定功率;k1=PR/(vR-vci);k2=-vciPR/(vR-vci)。
对于风力发电机,根据风速的分布函数,利用蒙特卡洛方法生成风速曲线,结合输出功率和风速之间的关系,产生日风力发电机出力曲线。同样无功也可根据恒定功率因数的假设求得。根据风速的累积分布式(5),利用蒙特卡洛模拟随机生成某一时刻的风速,先生成一个[0,1]之间的随机数Fv,然后求取式(5)的反函数得到对应的风速。具体公式如下:
最后根据式(6),求得风速v对应的风力发电机出力值。
3.4 节点净负荷曲线计算流程
先根据前文方法产生各节点的电动汽车充电负荷曲线、常规负荷曲线、风力发电出力曲线,然后生成各节点的净负荷曲线。图2给出了这一过程的流程图。
4 仿真分析流程
仿真分析流程如图3所示。利用蒙特卡洛模拟方法,就电动汽车对配电系统的影响进行分析。对生成的节点功率需求曲线通过潮流计算求解各节点电压和注入电流,分析线路和其他设备的载荷和网损情况。
潮流计算采用前推回代方法。流程如下:先进行回代计算,即从馈线末端开始,逐层向上计算每个节点的注入电流,从每条馈线的末端向馈线的根节点回推;然后进行前推计算,从馈线根节点的电压开始向馈线末端逐层更新节点电压;然后进行收敛判断,若每个节点的电压在连续2次迭代中的电压修正量小于某一给定值,则潮流计算结束,否则重复前推回代过程。
5 算例分析
将第4节的分析过程应用到图4所示的典型配电系统,电压等级为23 kV/10 kV,系统参数和节点负荷见附录A。
该配电系统的最大负荷容量为4 944 kW,最高家庭用电负荷占总容量的75%。假设电动汽车充电功率为4.6 kW,则系统最多可接入电动汽车数量为4 944/4.6≈1 075(辆),但是由于受到潮流约束和节点电压的影响,实际可接入的电动汽车数量需要通过网络运行分析得到。定义渗透率rp为:
式中:N为电动汽车数量。
节点830,840,844处安装有风力发电机,每个节点的风力发电机容量均为100 kW。在一种极端情况下,即居民家庭用电负荷达到最大值,风电出力为0,假设电动汽车充电功率为4.6 kW左右,则系统容量最多可承载269辆电动汽车同时充电。如果按每天最多90%的电动汽车接入充电的概率,在极端情况下可接入电动汽车的最大渗透率为27.8%,考虑到风电接入的影响,按容量实际可接入的电动汽车可能更多。
图5给出了该配电系统的负荷标幺值曲线,冬天的负荷比夏天高很多。
为简化分析,对各风力发电机选取相同的参数,其中切入风速为3.0 m/s,切出风速为22 m/s,额定风速为10 m/s, WeiBull分布中的c=6.5,k=2。对任意一台风力发电机,其各时段风速大小根据风速分布函数式(5)随机生成,然后根据式(6)得到风力发电机对应的出力值。
对不同国家而言,式(2)中的参数或略有不同。针对丹麦情况,这里选取μs=17.6,σs=3.4[4]。最后一次行程结束时刻的累积分布如图6所示。从图6可以看出,超过95%的电动汽车在10:00以后结束最后一次出行。为便于分析,假设所有汽车在10:00以后结束行程。这里的分析也从当天10:00到次日10:00,并假设每日行程之间相互独立。
根据目前市场上电动汽车的实际情况,对家用汽车的具体参数作出一些假设,如表1所示。
电动汽车日行驶里程根据式(1)随机生成,根据丹麦电动汽车行驶特点[4],选取μD=3.2,σD=0.88。生成电动汽车日行驶里程后,根据每百公里耗电15 kW·h的假设计算出电动汽车充电需要的电能。
利用蒙特卡洛模拟方法求解,模拟次数设定为1 000次。针对不同电动汽车接入数量、不同充电方式、不同季节和有无风电接入的情况,统计网损率和最大电压偏差,分析电动汽车充电对配电系统的影响,在分析过程中忽略不同季节由于气温不同对电池的影响。
从表2和表3可以看出,电动汽车的接入对网损影响并不大。有35%的电动汽车接入量与没有电动汽车的情况相比,最大网损增加也不超过5%。电动汽车的2种充电模式(即插即充和延迟到24:00开始充电)对网损的影响则更小。原因在于电动汽车占负荷比例比较小,其充电电能需求占总负荷电能需求小于3%,充电时刻的不同对网损影响很小。同时也可看到,风电的接入对降低配电系统网损起到了很大的作用,平均降低网损11.67%。另外,由于冬天的负荷比夏天高出很多,所以网损也较高。
不同情况下的电动汽车充电造成的网络最大电压偏离见附录B表B1和表B2,从中可以看出,统一延时到24:00开始充电的情况下,电压偏离量比即插即充方式大。
根据对仿真结果的分析,最大电压偏离量的出现时刻与充电方式有关。以35%的电动汽车接入量为例,不论什么季节,在即插即充的方式下,最大电压偏离量出现在20:15和20:30;而24:00开始充电的情况下,最大电压偏离量出现在24:00。说明电动汽车的充电峰值是影响电压质量的主要因素。即插即充的功率需求峰值是系统负荷和电动汽车充电峰值叠加造成;而延时到24:00后的峰值,主要来自于电动汽车,且由于电动汽车充电时间集中,功率需求峰值反而比即插即充情况下高,所以这也是造成统一延时到24:00开始充电的情况下,电压偏离量更大的原因。
为了验证以上推测,这里针对冬季35%电动汽车接入情况作了进一步的仿真分析,分别对没有电动汽车接入、即插即充方式以及统一在18:00和统一在24:00同时充电4种情况进行了仿真。从表4给出的仿真结果发现,在电动汽车统一在18:00开始充电时,电压偏离量最大,而且网损最高;即插即充情况下,电动汽车并非同时接入配电系统开始充电,虽然大部分车在负荷高峰时接入并进行充电,电压偏离反而最小;统一从24:00开始充电的情况,电压偏离也比即插即充大。3种情况下网损的影响都不大。虽然电动汽车充电周期一般较长(5~8 h),但调节分散管理电动汽车充电时间依然是增加电动汽车普及率的有效手段。
6 结语
电动汽车充电负荷模型是研究电动汽车与配电系统交互影响的基础。本文概述了丹麦电动汽车研究的背景及最新进展,采用概率方法研究了电动汽车充电负荷曲线,通过算例仿真初步分析了电动汽车充电负荷对配电系统的影响。结果表明:在各种充电方式下,电动汽车对配电系统网损的影响都较小,而风电的加入可降低网损和电压偏移,对电动汽车的充电产生积极影响。分析中同时考虑了不同季节下电动汽车充电的影响。如何有效管理电动汽车充电是有待进一步研究的课题。
感谢J.∅STERGAARD对本文提供的帮助。
附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。
参考文献
[1]Danish Energy Agency.A visionary Danish Energy Policy 2025[EB/OL].[2007-01-01].http://193.88.185.141/Graphics/Publikationer/Energipolitik_UK/a_visionary_Danish_energy_policy/pdf/Engelsk_endelig_udgave_visionaer_energip.pdf.
[2]DIVYA K C,STERGAARD J.Battery energy storagetechnology for power systems:an overview[J].Electric PowerSystems Research,2009,79(4):511-520.
[3]XU Z,GORDON M,LIND M,et al.Towards a Danish powersystem with 50%wind:smart grids activities in Denmark[C]//Proceedings of IEEE Power and Energy Society GeneralMeeting,July 26-30,2009,Calgary,Canada:8p.
[4]WU Q,NIELSEN A H,STERGAARD J.Driving patternanalysis for electric vehicle(EV)grid integration study[C]//Proceedings of IEEE Conference on Innovative Smart GridTechnology Europe 2010,October 10-13,2010,Gothenburg,Sweden:6p.
[5]OSTERGAARD J,FOOSNAS A,XU Z,et al.Electricvehicles in power systems with 50%wind power penetration:the Danish case and the EDISON programme[C]//Proceedingsof European Conference on Smart Grids and Mobility,June 16-17,2009,Würzburg,Germany.
[6]CHRISTENSEN L.Data available for analysing travel patternsof electric vehicles[R].Interim report of Edison project,2009.
[7]田立亭,史双龙,贾卓.电动汽车充电功率需求的统计学建模方法[J].电网技术,2010,34(11):126-130.TIAN Liting,SHI Shuanglong,JIA Zhuo.A statistical modelfor charging power demand of electric vehicles[J].PowerSystem Technology,2010,34(11):126-130.
[8]TAYLOR J,MAITRA A,ALEXANDER M,et al.Evaluationof the impact of plug-in electric vehicle loading on distributionsystem operations[C]//Proceedings of IEEE Power and EnergySociety General Meeting,July 26-30,2009,Calgary,Canada:6p.
充电负荷 篇5
能源危机的产生和电动汽车各项技术的发展促进了电动汽车的大规模推广，如今，各国均加大力度对电动汽车进行政策支持，可以预计，未来将有大量电动汽车接入电网[1,2]。大规模电动汽车接入电网以后引发的经济效益问题和其对电力系统规划运行所产生的影响不容忽视[3,4,5,6,7,8,9]。
如果对电动汽车用户充电行为不加以引导与控制，电动汽车无序充电会对电网原有负荷造成“峰上加峰”的结果，影响电网安全稳定运行[10,11,12]，并且对经济效益也产生不利影响[13,14]。因此有必要掌握电动汽车使用规律，实现电动汽车群集中充电负荷的有序控制。目前，国内外对电动汽车有序充电研究主要集中在汽车集中充电控制[15,16]，以平滑配网负荷[17,18,19]、改善电能质量[20,21]、提高配网运行可靠性[22,23,24,25]以及降低用户充电费用[26]等，并且取得了较多理论研究成果。
然而，大规模电动汽车的有序充电是通过每一个电动汽车个体的充电行为聚合后形成的群体策略，在制定电动汽车整体充电策略时，需要进一步研究如何将该群体策略向下延伸分配至每个个体，并充分考虑个体的自身条件和意愿，体现充电策略的公平性和合理性。就目前而言，如何将区域电网层面的充电策略结果分解至每辆电动汽车上的研究涉及较少[15]。有文献在提出的电动汽车有序充电模型中，考虑了每位用户的充电需求或者电池充放电次数约束[27,28]，然而需要进一步考虑每辆电动汽车的充电策略；文献[29]提出了一系列原则以实现电动汽车充电负荷的自动分配，该策略却造成了电动汽车频繁充放电，影响电池寿命；有文献提出了电动汽车充放电双层优化模型[30,31]：上层模型提出电动汽车集中充放电优化控制策略，下层模型结合用户意愿和电池储能特性，制定各电动汽车的充放电方案；但未考虑电动汽车出行规律影响及电池充放电次数约束等。
本文在提出大规模电动汽车有序充电策略的基础上，提出了将该群体策略分配至每一辆电动汽车的负荷分配策略，该策略中综合考虑每辆电动汽车的出行规律、电池状态、用户意愿等因素，体现出该策略的公平性和合理性。主要内容安排如下：第1节提出了电动汽车充电调度框架；第2节介绍了大规模电动汽车有序充电模型与个体电动汽车充电分配模型以及相应的求解方法；最后进行了算例分析。
1 电动汽车充电调度框架
电力公司首先根据负荷特征以及电动汽车使用情况，以降低整体电动汽车用户充电费用、减小负荷峰谷差的同时平抑负荷波动为目的，制定电动汽车总体有序充电计划，得到一天各个时段电动汽车充电的负荷安排；进而综合考虑每个用户意愿以及电动汽车自身行驶特征，将充电负荷公平合理地安排至每辆电动汽车。
对于总体充电策略而言，将一天时间分为96个时间段，即时间间隔为15 min，根据历史常规数据，预测当日96点常规负荷数据和电动汽车接入电网的情况，并对其进行在线实时优化。
基于总体充电策略结果，将充电总量分配到每辆电动汽车时，需要尊重每一位用户的意愿，由电动汽车用户自行选择是否愿意接受调度。同时，综合考虑每个时段的理想充电功率与实际可调度的电动汽车数量之间的关系，具体控制要求为：
1) 电动汽车下一时段实际最大充电功率不能满足系统调度指令时，系统则要求下一阶段所有电动汽车接入电网充电，尽可能接近系统调度指令。
2) 下一时段预测电动汽车最大充电功率能够满足并且超过系统调度指令时，采用本文提出的有序充电分配模型及优化算法合理分配调度需求。
2 充电模型与求解方法
愿意接受电动汽车充电调度的用户则必须遵守电动汽车充电调度协议。
1) 凡是参与协议的电动汽车用户，需要向系统输入该辆电动汽车的预期停留时间Tn,E和电动汽车离开充电站时用户期望达到的电动汽车荷电状态Bn,E;
2) 保证所有参与调度的电动汽车在预期停留时间内达到期望的电池荷电状态；
3) 如果用户第二天行程与平时出行里程有较大变化，需注明；
4) 在协议时间内，电动汽车充电行为由相关部门进行调度规划。
2.1 电动汽车有序充电模型
如图1所示，本文提出的电动汽车充电调度框架包括两层，上层提出总体充电策略，确定各个时段的充电策略。
该充电优化模型以电动汽车充电费用最小为目标，目标函数为
式中：xn,t为第n辆电动汽车在以当前时刻起第t个时间段的充电决策，xn,t=1为电动汽车正在充电，xn,t=0为电动汽车未充电；nt为第t个时间段待充电的电动汽车总数；P为电动汽车充电功率；pt为第t个时间段的电价，本文采用分时电价；∆t为时间间隔，本文为15 min;T为当前时间段内电动汽车的预期停留时间的最大值。
模型中的约束条件如式(2)所示。
(1) 充电需求约束
式中：Bn,S为第n辆电动汽车当前时段的SOC数值，在T个时间段内，被充电的电动汽车的电池荷电状态应当至少达到充电开始时所需求的最终荷电状态Bn,E，假设电动汽车所需求的最终荷电状态均为0.95，同时在充满的情况下应该停止充电，为保证电池寿命，在荷电状态为0.95时认为充满；bn为充电一个时段可增加的电池SOC数值。
(2) 充电时间约束
被充电的电动汽车需要在用户的设定的预期停留时间内充电完成。tn,E为第n辆电动汽车充电结束时间；Tn,E为该电动汽车用户设定的预期充电结束时间。
(3) 峰谷差约束
电动汽车接入电网充电，若只注重充电费用的经济效益，可能会加大系统日负荷峰谷差，对系统调度造成不良影响。因此，本文将峰谷差大小作为约束条件之一。
其中，Pmax和Pmin分别为从当日凌晨开始至当前优化时间段结束这段时间内系统负荷的最大值和最小值。结合过去七天内该时段的峰谷差值，∆P初值定为这七天中该时段峰谷差最小值，但该值有可能由于偏小造成优化策略无解，如果无解，则∆P递加1%，直至有解。
(4) 日负荷方差约束
峰谷差和负荷波动较大均会加大电网调度的压力。因此限制峰谷差大小的同时，还要限制电动汽车接入电网后的负荷波动。按式(5)表达。
式(5)的左侧为当日凌晨开始至当前优化时间段结束内负荷方差大小；J为该时段数值，Pj为电动汽车充电后第j个时间段负荷值；M初值定为过去七天内该时段的负荷方差的最小值，但该值有可能由于偏小造成优化策略无解，如果无解，则M递加0.1%，直至有解。
2.2 电动汽车充电负荷分配策略
为保证电动汽车电池寿命，应尽量减少电动汽车充电次数，以电动汽车充电次数最小为目标函数，则第j时段的目标函数表达式如式(7)所示。
其中：nj为本时段可以调度的电动汽车总数目；xn,j为本时段第n辆电动汽车的充电决策，xn,j=1，表示该辆车在充电，xn,j=0表示该辆车未充电；xn,j-1为上时段第n辆电动汽车的充电决策。
约束条件
其中：Pn,j为本时段第n辆车的充电功率；Pref,j为本时段可调度的充电功率。
2.3 加权系数设置
(1) 每辆电动汽车用户历史出行规律。电动汽车用户的历史出行数据主要包括开始充电时刻和日行里程两个方面。电动私家车主要用于车主上、下班以及休闲娱乐，在此可将电动私家车的开始充电时刻分为两种情况：夜晚在住所泊位充电及白天在工作地点泊位充电[32]。
据2009年美国交通部对全美家用车辆的调查结果，假设开始充电时刻为最后一次出行返回时刻，电动汽车在家充电开始时刻近似满足如下正态分布[33]。
式中：σs=3.4，µs=19。
对于电动汽车白天在工作地点的开始充电时刻，同样假设其满足正态分布[27]，概率密度函数为
式中：σs=0.5，µs=9。
日行驶里程满足对数正态分布，
式中：σl=0.88，µl=3.2。
根据日行驶里程，可计算得到启示SOC值为
为保证每辆电动汽车充电结束时电池的SOC量可以满足第二天的出行里程，根据每辆电动汽车用户的历史出行规律，历史出行里程较长的电动汽车优先充电。如果用户设置了第二天的行驶里程，则参考用户设置，用户设置的里程越长，则充电优先级越高。
(2) 电池的实时状态。在充电过程中，每进入一个新的时段，系统自动读取每一辆电动汽车当前时段的SOC数值，SOC数值越小，则该辆电动汽车充电的优先级越高。
加权系数的表达式为
式中：Ln,c表示鉴于该时段的电池状态，第n辆电动汽车可以行使的里程；Ln,h表示第n辆电动汽车历史出行里程，本文中，选择该辆电动汽车前7天出行里程平均值。如果用户第二天出行里程与之前发生较大变化，可自行设置第二天行驶里程，此时式(13)变化为
式中：Ln,t为用户设置的第二天行驶里程；ωn数值越小，表示第n辆电动汽车的充电优先级越高。优化目标函数更改为如式(15)。
为满足每辆电动汽车都可以在用户期望的时间内将电池充至用户期望的容量，为每一辆车设置一个必须充电时间，如果该时段为用户必须充电时间，则用户必须充电，并且，充电优先级最高，设这类用户属于集合Ω1，而其余用户属于集合Ω2。
2.4 算法流程
提出大规模电动汽车有序充电策略的基础上，进一步将该群体策略分配至每个个体，本文提出的负荷分配策略如图2所示。
3 算例分析
3.1 条件假设
为验证本文算法的有效性和正确性，以一个居民小区为例。
(1) 该小区拥有780住户，每户居民都拥有一辆汽车，其中电动汽车共有100辆，电动汽车渗透率为12.8%;
(2) 用电高峰时期，平均每户居民用电4 kW，即居民总负荷最高峰为3 120 kW;
(3) 采用常规充电模式对电动汽车进行充电，并且充电过程中充电功率保持不变，充电功率为7 k W，每辆电动汽车每天充电一次；
(4) 本文采用分时电价，充电分时电价参数设置如表1所示[34];
(5) 10%电动汽车用户不愿意接受电动汽车充电调度，在愿意接受电动汽车调度的用户中，约5%的用户设置了第二天出行里程；
(6) 设该区域电力系统层面的充电安排已知，电动汽车有序充电负荷如图3所示。
3.2 算例结果
由表2可知，采用本文提出的充电策略后，用户的充电费用大大地降低了，减少了69.52%，同时能够对负荷曲线实现削峰填谷，减少曲线的波动性。
图4所示为所有参加调度的电动汽车在是否考虑充电次数情况下的充电次数，可以看出：在不考虑充电次数为目标函数的情况下，电动汽车的充电次数较多，最多可达到5次，设置了减少充电次数的目标函数后，大部分电动汽车充电次数有所减少，最多不超过2次，表3所示为所有电动汽车充电次数总和，考虑充电次数约束后，充电次数总和减少达到49.34%。
图5为无序和有序充电模式下不同时段愿意接受调度的充电汽车数量对比，可以看出，无序充电模式下的电动汽车充电集中在晚间负荷高峰时段和白天负荷高峰时段，同时也是电价较高时段，经过优化，电动汽车充电集中于夜间负荷低谷和白天负荷平时段。
图6所示为四辆电动汽车在有序充电和无序充电两种情形下充电过程对比，为了在图中可以清晰表示结果，y轴不表示数值大小，仅表示充电与否，即充电，则数值大于0，不充电则数值为0。四辆电动汽车接入时间接近，加权系数大小如表4所示，由图6可以看出，经过电动汽车有序充电调度，电动汽车充电时段由负荷高峰时段转移至负荷低谷时段，并且，加权系数小的电动汽车充电时间较早，符合本文提出的加权系数越小充电优先级越高的理论。
通过以上仿真分析可以看出，本文提出的电动汽车充电调度策略在完成充电要求的同时，可以减少电动汽车充电启停次数，并结合用户意愿和电动汽车出行特征，对每辆电动汽车进行充电调度，具有公平合理性。
4 结语
本文以服从电动汽车用户意愿为前提，充分考虑每一辆电动汽车的出行规律，提出了电动汽车充电负荷分配策略：以每辆电动汽车充电次数最少为目标，综合考虑不同电动汽车的历史行车规律和电池实时状态以确定充电加权系数，将电动汽车充电群体策略分解到电动汽车个体，仿真结果可以表明：
(1) 经过有序充电，电动汽车充电集中时段由负荷高峰时段转移至夜间负荷低谷时段和白天负荷平时段，削减了峰谷差；
(2) 在尊重电动汽车用户的前提下，每个时段充电负荷分配策略都与电动汽车自身特征紧密联系，安排电动汽车充电次序的同时，减少每辆电动汽车的充电次数，策略具有公平合理性。
摘要：如何将大规模电动汽车有序充电控制需求在充分考虑充电个体需求和用户意愿的基础上进行合理分配是一个亟待解决的问题。首先提出电动汽车有序充电策略。其次,以电动汽车用户的意愿为前提,将每辆电动汽车电池充电次数最少作为目标,利用电动汽车的历史出行里程和电池实时状态确定电动汽车充电的加权系数,将电动汽车整体充电安排分解至每一辆电动汽车。最后,对所提方法进行了仿真验证。结果表明:考虑不同电动汽车使用特点和充电状态,约束每辆电动汽车的充电次数,可以在满足充电负荷要求的基础上安排电动汽车充电次序,同时减少每辆电动汽车充电次数,其分配原则具有合理性。
充电负荷 篇6
我国是个化石能源缺乏的国家, 石油等能源供给大部分来源于进口, 对汽车能源动力战略性转型的要求更加迫切, 国务院作出规划, 在现有电动汽车应用规模的基础上, 到2020年电动汽车年生产能力和销量均要达到一定规模[1]。
电动汽车的随机充电模式将明显影响电网负荷的峰谷差, 并对电网造成越来越大的压力。国内外将研究集中在未来电动汽车的发展对电网的实时影响及控制上, 如电动汽车充放电行为的特征及对电网负荷峰谷差的作用[2], 电动汽车充电对配电网线路损耗的影响[3,4], 车辆到电网的逆向电能传输 (Vehicle to Grid, V2G) 模式的使用及其对电网的峰谷控制[5]等, 但缺乏电动汽车规划与电网协调发展方面的研究。
关于电动汽车对区域电网影响的研究, 文献[6]研究了电动汽车的总体需求对北京和上海日负荷曲线的评估, 对电动车总体做了一定的分析, 但缺乏对不同类型电动汽车的分析。文献[7]则分析了各种充电模式对广东电网负荷特性的影响。本文则从对广州地区电动汽车的发展特点出发, 应用实际数据研究广州地区电网负荷峰谷特点, 对电动私家车和电动公交车两种不同的充电行为特点进行研究, 由此预测到2020年广州电动私家车和电动公交车的发展对广州电网的峰谷差的影响, 从而为广州地区电网未来战略规划及发展提供指导意见。由此也对我国城市电动汽车发展中的电网建设提供思想启迪。
1 电动汽车的充电规律
通过分析电动汽车发展现状, 结合已发布的电动汽车发展规划, 可以知道电动汽车的发展趋势大体为:2010-2015年, 电动汽车主要在公交车、公务车、出租车中示范运营;2016-2020年在公共交通系统、公务车中实现电动汽车规模化运营, 私家车较少;2021-2030年电动私家车加速发展, 其比例逐年上升。因此, 本文以2020年为时间节点, 分析规模化运营的电动公交车对广州电网的影响, 并考虑电动私家车普及后对广州电网的影响。
1.1 电动公交车的充电规律
电动公交车的技术发展很迅速, 本文取比亚迪K9纯电动公交车的技术参数为参考, 其技术参数如下:电动公交车的耗电量为每100 km耗电130 k W·h, 平均充电功率是80 k W (采用均匀充电的方式) , 平均放电功率是26 k W, 日行驶里程在150~200 km左右[8,9]。根据广州市2014年公交车保有量为1.1万辆的现状, 以及2017年公交车预计保有量为1.55万辆的预测, 本文假设广州到2020年时拥有电动公交车数量2万辆, 每辆电动公交车的电池容量为320 k W·h, 电动公交车的平均行驶速度为20 km/h[10,11]。同时, 由于电动公交车的推广速度难以预测, 本文采用对纯电动公交车的渗透率为25%、50%、75%、100% (即5 000、10 000、15 000、20 000辆) 的情况进行探讨。
通过对广州地区公交车运营情况的调研, 在一天当中, 广州区电动公交车的运营情况是:早上从6∶00开始发车, 晚上23∶00后停止发车, 其中有两个高峰期, 分别7∶00-9∶00以及17∶00-19∶00。电动公交车公司在一天当中通过对每个时段安排一定百分比的电动公交车的数量维持对应时间段的正常秩序的运行。如在第一个高峰期时, 7∶00-8∶00这一时段调用总车辆数80%的车辆, 8∶00-9∶00这一时段调用总车辆数90%的车辆。完成充电工作的电动公交车也将投入到往后时间段的电动公交车的安排中。具体电动公交车司机的时间分配可由电动公交车公司统一调配。此时, 每辆电动公交车的充电容量等于每辆电动公交车的充电功率乘以充电时间。
通常情况下, 当电动公交车的电池容量低于10%时, 应停止参加到运营安排当中。电动公交车的充电时间安排、调用安排均由电动公交车公司统一协调。考虑到广州市分时段的阶梯电价情况, 结合实际生活中电动公交车充电安排的实际情况, 本文提出以下2种充电策略:1、只要是某时段没有参与到运营当中的电动公交车, 都要进行充电, 也就是说, 一般情况下, 公交车在回到公交站后, 如果在下一个时段没有出车的安排, 那么就进行充电, 也就是“随到随充”的充电策略;2、由于电动公交的续航里程大于一日的运行里程, 因此在可以满足正常运营需求的情况下, 考虑到0∶00-6∶00的电价比较便宜, 可将充电时段集中安排在凌晨0∶00-6∶00, 可称为“深夜充电”的充电策略。根据调研所得公交的调度规律, 广州的一天当中的电动公交车调用安排、2种充电策略下各时段充电中的公交车的百分比如图1所示:
1.2 电动私家车的充电规律
对电动私家车而言, 充电负荷的时间分布取决于两个因素:起始充电时间和日行驶里程。起始充电时间越集中, 带给电网充电负荷就越大。而日行驶里程反映了用户的耗电量, 并与充电持续时间成正比。因此, 充电功率、电池容量、起始充电时间和日行驶里程实际上决定了电动私家车随时间分布的充电负荷。
1.2.1 假设条件
目前市面上电动私家车的种类繁多, 规格型号各不相同, 将来各型号电动私家车的销量分布不可预测。本文参考比亚迪e6的数据, 假设电动私家车电池容量为60 k W·h, 充电功率为8 k W[12]。另外, 其他文献虽然提出了电动私家车的各种充电调度策略, 但由于私家车本身所具有的分散、不可控等特点, 本文假设电动私家车都采用无序的充电策略, 即每次出行回到家以后立即进行充电。通过以上分析, 参考目前电动私家车的发展状况, 本文对电动私家车做出如下假设:
(1) 百km电耗固定为20 k W·h;
(2) 电动私家车在最后1次出行返回后开始充电;
(3) 所有车辆采取0.1C额定电流进行充电;
(4) 每次充电都充至满电量;
(5) 充电起始时刻、日行驶里程、充电功率为相互独立的随机变量;
(6) 2020年广州地区私家车保有量为3 300 000辆[13]。
1.2.2 起始充电时间和日行驶里程的概率模型
本文引用2001年美国交通部对全美家用车辆的调查结果 (National Household Travel Survey, NHTS) [14,15]。对NHTS2001的统计数据进行归一化处理后, 用极大似然估计的方法分别将车辆最后返回时间和日行驶里程近似为正态分布和对数正态分布。此时, 起始充电时间为最后一次出行返回时间, 起始充电时间的概率密度函数为[5]:
其中μs=17.6, σs=3.4, x为日行驶里程。
日行驶里程满足如下对数正态分布, 其概率密度函数为[6]:
其中μD=3.2, σD=0.88, x为日行驶里程。
1.2.3 一日内单台电动私家车的充电功率需求分布
电动汽车充电所耗时间长度可估计为[5]:
其中:Tc为充电时间长度, h;S为日行驶里程, km;W100为百km的耗电量, 20 k W·h·km;Pc为充电功率, 8 k W。
电动私家车的日行驶里程与其充电功率相互独立, 可以求出充电时长的概率密度函数为[5]
1.2.4 一日内电动私家车的充电功率需求分布
假设2020年广州电动私家车保有量为3 300 000辆, 根据每个时间点电动私家车充电数量和每台电动汽车充电功率, 根据式 (1) ~ (4) 可做出电动私家车渗透率为5%、1%、0.5%、0.1% (电动私家车台数为165 000、33 000、16 500、3 300台) 时, 一日内电动私家车的充电功率分布情况, 如图2所示。
2 广州电网的负荷特性
广州电网2011年至2013年的夏季典型日负荷曲线和2013年冬季典型日负荷曲线如图3所示。广州地区年最大负荷都基本出现在7月或8月, 属于典型的夏季高峰型的负荷特性。因此, 在考察电动汽车对广州电网负荷特性的影响时, 应选取夏季日负荷曲线作为参考。
广州电网各年的夏季日负荷曲线差异不大, 每日出现3次负荷高峰段, 第一个时间段在上午11∶00前后, 第二个时间段在下午15∶00前后, 第三个时间段在晚上21∶00前后。广州地区日负荷曲线有1个低谷, 在早上7∶00前后。广州地区日负荷峰谷差很大。
根据广州地区2011至2013年夏季典型日负荷曲线, 按照一定的增长比例可估算出2020年广州的日负荷曲线, 可以以此为根据分析电动汽车对广州电网的影响。
3 电动汽车对广州电网负荷特性的影响
3.1 电动公交的影响
根据2020年广州预测的典型夏季日负荷曲线, 结合20 000辆电动公交车在不同充电策略下的充电功率, 可以得到电动公交对广州地区日负荷曲线的影响, 计算结果如图4所示。在运用随到随充的充电策略时, 在不同的电动公交渗透率下, 广州市的日负荷峰值及日负荷峰谷差如表1所示。
由图4及表1可得, 在随到随充的充电策略下, 电动公交提高了广州的日负荷峰值, 增大了广州的日负荷峰谷差。而在深夜充电的充电策略下, 峰谷差和日负荷峰值均没有受到影响。因此, 采取合适的充电策略, 可减少电动公交充电对电网的影响, 减缓电网的建设, 降低峰谷差。
3.2 电动私家车的影响
根据2020年广州预测的典型夏季日负荷曲线, 结合电动私家车的充电规律和充电功率, 可以得到不同渗透率的电动私家车 (2020年预测最多3 300 000辆) 对广州地区日负荷曲线的影响, 计算结果如图5所示。
在不同的电动私家车渗透率下, 广州市的日负荷峰值及日负荷峰谷差如表2所示。
由图5及表2可得, 由于预期到2020年电动私家车的渗透率不会高于5%, 因此不同渗透率的电动私家车接入广州电网后, 对电网的负荷只产生了极轻微的影响, 同时, 峰谷差率变化不大。需要指出的是, 随着电动汽车渗透率的增加, 电动汽车在无序充电的情况下, 有可能会在一定程度上增大广州电网的最大负荷, 同时加大峰谷差。
4 结论
本文以广州地区2020年电动公交车以及电动私家车的充电为例, 对城市电动汽车的充电行为进行了探索, 其中电动公交车的充电可以结合公交车运营规律和电网负荷特性进行合理安排, 而电动私家车的充电行为则只具有统计学规律。在此基础上, 评估出电动汽车的充电行为对城市电网日负荷特性的影响。结果表明, 对于电动私家车而言, 由于预期其渗透率不高, 因此其对广州电网的日负荷峰值及峰谷差率影响不大。而对于电动公交而言, 任其采用无序充电的方式进行充电会加大电网的日负荷峰值及峰谷差率。此时, 采取深夜充电 (每日0∶00后开始充电) 的充电方式, 可彻底消除电动公交充电行为对电网的影响。
摘要：研究电动汽车对广州电网负荷峰谷特性的影响。首先分析了广州市动公交车的运营规律, 得到了其充电负荷特性;然后根据统计数据, 考虑随机因素的影响, 得到电动私家车总体充电功率需求的计算方法;最后, 结合广州电网2020年的日负荷特性, 预测了电动汽车对广州电网负荷峰谷特性的影响。计算结果表明, 电动公交的无序充电将使广州电网的最大负荷发生一定增长, 同时轻微加大峰谷差, 而电动私家车对电网的影响很微小。